satellitter, supercomputere, og maskinlæring giver data om afgrødetyper i realtid

Majs- og sojamarker ligner hinanden fra rummet – i hvert fald plejede de. Men nu, videnskabsmænd har bevist en ny teknik til at skelne mellem de to afgrøder ved hjælp af satellitdata og supercomputeres processorkraft.

"Hvis vi ønsker at forudsige majs- eller sojabønneproduktion for Illinois eller hele USA, vi skal vide, hvor de bliver dyrket, " siger Kaiyu Guan, adjunkt i Institut for Naturressourcer og Miljøvidenskab ved University of Illinois, Blue Waters -professor ved National Center for Supercomputing Applications (NCSA), og hovedefterforskeren af ​​den nye undersøgelse.

Fremskridtet, udgivet i Fjernmåling af miljø , er et gennembrud, fordi tidligere, nationale majs- og sojabønnearealer blev kun gjort tilgængelige for offentligheden fire til seks måneder efter høst af USDA. Forsinkelsen betød, at politiske beslutninger var baseret på forældede data. Men den nye teknik kan skelne mellem de to store afgrøder med 95 procents nøjagtighed inden udgangen af ​​juli for hver mark - kun to eller tre måneder efter plantning og i god tid før høst.

Forskerne hævder, at mere rettidige skøn over afgrødearealer kan bruges til en række forskellige overvågnings- og beslutningstagningsapplikationer, herunder afgrødeforsikring, leje af jord, logistik i forsyningskæden, råvaremarkeder, og mere.

For Guan, imidlertid, værkets videnskabelige værdi er lige så vigtig som dets praktiske værdi.

Et sæt satellitter kendt som Landsat har kontinuerligt cirkuleret Jorden i 40 år, indsamling af billeder ved hjælp af sensorer, der repræsenterer forskellige dele af det elektromagnetiske spektrum. Guan siger, at de fleste tidligere forsøg på at skelne majs og sojabønner fra disse billeder var baseret på den synlige og nær-infrarøde del af spektret, men han og hans team besluttede at prøve noget andet.

"Vi fandt et spektralbånd, den kortbølgede infrarøde (SWIR), det var yderst nyttigt til at identificere forskellen mellem majs og sojabønne, " siger Yaping Cai, Ph.D. elev og første forfatter til værket, efter vejledning fra Guan og en anden senior medforfatter, Shaowen Wang i Institut for Geografi ved U of I.

Det viser sig, at majs og sojabønner har forudsigeligt forskellig bladvandsstatus i juli de fleste år. Holdet brugte SWIR-data og andre spektrale data fra tre Landsat-satellitter over en 15-årig periode, og konsekvent opfanget dette bladvandsstatussignal.

"SWIR-båndet er mere følsomt over for vandindhold inde i bladet. Det signal kan ikke fanges af traditionelt RGB (synligt) lys eller nær-infrarøde bånd, så SWIR er yderst nyttig til at skelne majs og sojabønner, " slutter Guan.

Forskerne brugte en form for maskinlæring, kendt som et dybt neuralt netværk, at analysere dataene.

"Deep learning tilgange er lige begyndt at blive anvendt til landbrugsapplikationer, og vi forudser et enormt potentiale af sådanne teknologier for fremtidige innovationer på dette område, " siger Jian Peng, adjunkt i Institut for Datalogi ved U of I, og en medforfatter og co-principal investigator af det nye studie.

Holdet fokuserede deres analyse inden for Champaign County, Illinois, som et proof-of-concept. Selvom det var et relativt lille område, at analysere 15 års satellitdata i en opløsning på 30 meter krævede stadig en supercomputer til at behandle snesevis af terabyte data.

"Det er en enorm mængde satellitdata. Vi brugte Blue Waters og ROGER supercomputere på NCSA til at håndtere processen og udtrække nyttig information, " siger Guan. "Teknologimæssigt, at kunne håndtere en så stor mængde data og anvende en avanceret maskinlæringsalgoritme var førhen en stor udfordring, men nu har vi supercomputere og evnerne til at håndtere datasættet."

Teamet arbejder nu på at udvide studieområdet til hele majsbæltet, og undersøge yderligere anvendelser af dataene, herunder udbytte og andre kvalitetsvurderinger.